CN113240664B - 基于场景时空显著性的红外探测虚警检测方法及其应用 - Google Patents

基于场景时空显著性的红外探测虚警检测方法及其应用 Download PDF

Info

Publication number
CN113240664B
CN113240664B CN202110616731.9A CN202110616731A CN113240664B CN 113240664 B CN113240664 B CN 113240664B CN 202110616731 A CN202110616731 A CN 202110616731A CN 113240664 B CN113240664 B CN 113240664B
Authority
CN
China
Prior art keywords
image
detection
frame
pixels
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110616731.9A
Other languages
English (en)
Other versions
CN113240664A (zh
Inventor
马鹏阁
李伟
陶然
韩红印
刘兆瑜
刘彤
胡磊力
李玲玲
张鹏
毛义伟
朱寅非
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Luoyang Institute of Electro Optical Equipment AVIC
Zhengzhou University of Aeronautics
Original Assignee
Beijing Institute of Technology BIT
Luoyang Institute of Electro Optical Equipment AVIC
Zhengzhou University of Aeronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT, Luoyang Institute of Electro Optical Equipment AVIC, Zhengzhou University of Aeronautics filed Critical Beijing Institute of Technology BIT
Priority to CN202110616731.9A priority Critical patent/CN113240664B/zh
Publication of CN113240664A publication Critical patent/CN113240664A/zh
Application granted granted Critical
Publication of CN113240664B publication Critical patent/CN113240664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于场景时空显著性的红外探测虚警检测方法及其应用。其中，所述检测方法包括：获得红外探测图像序列的帧间时域均值图像，获得帧间时域均值图像的帧内空域梯度图像的梯度幅值图，对梯度幅值图像进行灰度阈值分割处理，对分割处理后获得的候选检测结果图像进行四邻域判别，区分其中的盲元和正常像元。本发明的检测方法能够有效检测死像元、过热像元等多种类型红外探测系统盲元，具有较高的检测精度和较低的误检率，能够有效应用于红外探测系统点目标探测的虚警检测。

Description

基于场景时空显著性的红外探测虚警检测方法及其应用
技术领域
本发明涉及红外探测信号处理的技术领域。
背景技术
现代机载光电探测系统广泛应用于飞行避障、飞弹空袭预警等空中目标探测与跟踪，以及对战场态势感知、飞机起飞着陆等地面目标搜索与定位。红外探测系统是现代机载光电探测系统的重要组成部分。红外探测技术是一种被动探测方式，具有较高的隐蔽性，并且能够有效探测目标的热辐射信号。随着红外探测技术的不断发展，红外点目标探测逐渐成为一个热门研究问题。而因红外探测器本身物理缺陷而存在的盲元(如死像元、过热像元等)导致的红外点目标虚警问题仍是红外点目标探测研究中亟待解决的问题之一。
红外探测系统中的盲元一般孤立出现且与背景相关度较低，与点目标特性相似度较高。盲元的存在会增加点目标探测的虚警率，往往使得点目标探测精度难以有效保证。现有技术中，关于红外探测系统盲元检测方法包括较为传统的3σ法、研究较多的基于定标的方法和基于场景的方法等，其中，基于定标的方法一般采用国标的方法，基于场景的盲元检测方法更易实现，相关研究较多。
另一些现有技术如曹扬等结合帧间中值滤波和关键帧技术，提出了一种基于场景的自适应滤波动态盲元检测方法；李召龙等结合图像序列帧间平均和帧内中值，提出了一种基于时域平均野值提取的盲元检测方法；詹伟等结合盲元响应随机性特点，提出了一种基于超像素分割的盲元检测方法，并给出了分割区域像素数和检测过程阈值设置方法；严飞等则结合主成分分解方法，提出了一种基于多元统计特性异常的盲元检测方法等。
尽管现有技术中已有很多盲元检测方法研究，但这些方法中均存在阈值分割自动化程度不够、虚警率过高等问题，限制了目标探测精度的提升。
发明内容
本发明的目的在于提出一种基于场景时空显著性的红外探测虚警检测方法，其分割的自适应性强、分割性强，利用了盲元在多帧图像连续出现的时间特性和盲元在单帧图像中与其他像元的奇异性，构建了时空显著性图，可准确地将探测中产生的盲元与目标像元区分开来，虚警识别率高，并可建立起准确的去盲元图像。
本发明的目的还在于提供该检测方法的一些具体应用。
本发明首选提供了如下的技术方案：
基于场景时空显著性的红外探测虚警检测方法，其包括：
S1获得多帧红外探测图像序列的帧间时域均值图像；
S2获得所述帧间时域均值图像的帧内空域梯度图像；
S3获得所述帧内空域梯度图像的梯度幅值图像；
S4对所述梯度幅值图像进行灰度阈值分割处理，由阈值分割后的像元组成候选检测结果图像；
S5对所述候选检测结果图像中的任一像元进行四邻域判别，区分其中的盲元和正常像元，得到盲元检测结果二值图像；
S6根据盲元检测结果二值图像得到的盲元坐标信息，在原图像中标记出盲元，得检出盲元后的图像，完成所述虚警检测。
根据本发明的一些具体实施方式，所述红外探测图像序列通过红外探测视频截取得到。
根据本发明的一些优选实施方式，所述阈值分割处理中的灰度阈值由图像的灰度均值、标准差及可调增益确定。
根据本发明的一些优选实施方式，所述灰度阈值设置如下：
T＝μ+kσ (5)，
其中，μ表示待分割图像的像元灰度均值，σ表示待分割图像的像元灰度标准差，k表示可调增益。
根据本发明的一些优选实施方式，所述可调增益k为0.5～2.5。
根据本发明的一些优选实施方式，所述帧间时域均值图像通过下式获得：
Figure BDA0003098183210000021
其中，I(i,j,m)表示第m帧图像，其中i表示图像像元行坐标，j表示图像像元列坐标，m表示图像序列帧；M表示图像序列总帧数；
Figure BDA0003098183210000031
表示所得帧间时域均值图像。
根据本发明的一些优选实施方式，所述帧内空域梯度图像通过下式获得：
Figure BDA0003098183210000032
其中，
Figure BDA0003098183210000033
表示所述帧内空域梯度图像，/>
Figure BDA0003098183210000034
分别所述帧间时域均值图像在i和j方向的单位向量。
根据本发明的一些优选实施方式，所述梯度幅值图像通过下式获得：
Figure BDA0003098183210000035
其中，|.|表示取模运算，Ig(i,j)表示所述梯度幅值图像。
根据本发明的一些优选实施方式，所述灰度阈值分割处理通过以下的分割模型实现：
Figure BDA0003098183210000036
其中，A(i，j)表示所得候选检测结果图像，T表示所述灰度阈值。
根据本发明的一些优选实施方式，所述四邻域判别通过以下判别模型实现：
Figure BDA0003098183210000037
其中，B(i，j)表示所述最终检测结果图像，A(i-1，j)、A(i+1，j)、A(i，j-1)、A(i，j+1)分别表示所述阈值分割处理后的像元A(i，j)的四邻域像元。
本发明进一步提供了上述检测方法的一种具体应用，将其应用于机载光电探测系统中、特别是机载光电探测系统的的红外探测单元的信号处理中。
本发明的检测方法利用红外图像特别是通过红外视频获得的红外图像序列的帧间时域相关性和帧内空域相关性依次构建帧间时域均值图像和帧内空域梯度图像；并通过对帧内空域梯度图像应用阈值分割特别是自适应阈值分割方法得到候选检测结果图像实现红外探测虚警初步检测；通过对候选检测结果图像应用4邻域判别机制进行最终虚警检测处理，进而得到最终虚警检测结果图像，能够实现红外探测虚警检测目的，尤其适用于机载光电探测系统对天空、地面等多种探测场景目标检测与跟踪的虚警检测应用
在具体的检测方法步骤中，本发明基于盲元与目标区域和探测背景在时域和空域的相关度较低这一发现，依次采用帧间时域平均和帧内空域梯度进一步提高盲元与目标区域和探测背景的区别，通过帧间时域均值图像计算得到帧内空域梯度图像，进而获得时空显著图；并在阈值分割部分，根据一些优选实施方式，采用图像均值和标准差自适应确定分割阈值、调整可调增益的方式确定最优分割阈值，并应用于所得时空显著图的二值化处理，进而得到候选检测结果图像；并进一步地通过4邻域判别方法获得最终的检测结果图像。
本发明的检测方法能够有效检测死像元、过热像元等多种类型红外探测系统盲元，具有较高的检测精度和较低的误检率，能够有效应用于红外探测系统点目标探测的虚警检测。
附图说明
图1为本发明的一种具体实施方式流程图。
图2为具体实施方式所得帧内时域均值图像的三维视图。
图3为具体实施方式所得帧内空域梯度图像的三维视图。
图4为具体实施方式所得候选检测结果图像的三维视图。
图5为具体实施方式所得盲元检测结果二值图像的三维视图。
图6为具体实施方式所得检出盲元后的图像。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
根据本发明的技术方案，一些具体的实施方式包括如附图1所示的流程，如下：
S1通过时域均值模型获得红外视频多帧图像的帧间时域均值图像；
其中，更具体的，所述时域均值模型如式(1)所示：
Figure BDA0003098183210000051
其中，I(i,j,m)表示第m帧图像，其中i表示图像像元行坐标，j表示图像像元列坐标，m表示图像序列帧；M表示图像序列总帧数；
Figure BDA0003098183210000052
表示所得帧间时域均值图像。
S2获得所得帧间时域均值图像的帧内空域梯度图像；
其中，更具体的所述帧内空域梯度由帧间时域均值图像在直角坐标系下的i、j两个方向的梯度向量的和组成，如下：
Figure BDA0003098183210000053
其中，
Figure BDA0003098183210000054
表示所得帧内空域梯度图像，/>
Figure BDA0003098183210000055
分别表示帧间时域均值图像在i和j方向的单位向量。
S3获得所得帧内空域梯度图像的梯度幅值图像；
其中，更具体的，所得幅值图像如下：
Figure BDA0003098183210000056
其中，|.|表示取模运算，Ig(i,j)表示所得梯度幅值图像。
S4对所得梯度幅值图像进行阈值分割处理，得到候选检测结果图像；
其中，更具体的，所述阈值分割处理采用如下的分割模型：
Figure BDA0003098183210000061
其中，A(i，j)表示所得候选检测结果图像，T表示如下的图像灰度阈值：
T＝μ+kσ (5)，
其中，μ表示图像像元灰度值的均值，σ表示图像元素灰度值的标准差，k表示可调增益，优选的k为0.5～2.5。
S5对所得候选检测结果图像通过四邻域像元判别机制逐像元判别，分别得到其中的盲元和正常像元，进而获得最终检测结果图像。
其中，更具体的，所述判别包括：当所得候选检测结果图像中某一像元的四个方向的邻域像元的灰度值均为1时，判别此像元为盲元，否则确定其为正常像元，如下：
Figure BDA0003098183210000062
其中，B(i，j)表示最终检测结果图像，A(i-1，j)、A(i+1，j)、A(i，j-1)、A(i，j+1)分别表示候选检测结果图像中任一像元A(i，j)的四邻域像元分割结果值。
实施例1
通过具体实施方式所述的具体过程进行仿真实验，其中：
在Matlab软件平台对测试图像序列添加死像元和过热像元，并应用提出的基于场景时空显著性的红外探测虚警检测方法对上述处理后的测试图像序列进行虚警检测。
可获得如附图2所示的帧间时域均值图像、附图3所示的帧内空域梯度图像，提高了盲元与目标区域和探测背景的区别。
进一步的，通过图像均值和标准差自适应确定分割阈值，并通过调整可调增益确定最优分割阈值并应用于时空显著图二值化处理，得到候选检测结果图像，如附图4所示。
在4邻域判别部分，通过逐像元判别候选检测结果图像4邻域像元灰度值实现最终盲元检测目的，获得盲元检测结果二值图像，如附图5所示。
根据盲元检测结果二值图像得到的盲元坐标信息，在原图像中标记出盲元，得到检出盲元后的图像，如附图6所示，完成所述虚警检测。
以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.基于场景时空显著性的红外探测虚警检测方法，其特征在于：包括：
S1获得多帧红外探测图像序列的帧间时域均值图像；
S2获得所述帧间时域均值图像的帧内空域梯度图像；
S3获得所述帧内空域梯度图像的梯度幅值图像；
S4对所述梯度幅值图像进行灰度阈值分割处理，由阈值分割后的像元组成候选检测结果图像；
S5对所述候选检测结果图像中的任一像元进行四邻域判别，区分其中的盲元和正常像元，得到盲元检测结果二值图像；
S6根据所述盲元检测结果二值图像得到的盲元坐标信息，在原图像中标记出盲元，得检出盲元后的图像，完成所述虚警检测。
2.根据权利要求1所述的检测方法，其特征在于：所述红外探测图像序列通过红外探测视频截取得到。
3.根据权利要求1所述的检测方法，其特征在于：所述灰度阈值T设置如下：
T＝μ+kσ (5)，
其中，μ表示待分割图像的像元灰度均值，σ表示待分割图像的像元灰度标准差，k表示可调增益。
4.根据权利要求3所述的检测方法，其特征在于：所述可调增益k为0.5～2.5。
5.根据权利要求1所述的检测方法，其特征在于：所述帧间时域均值图像通过下式获得：
Figure QLYQS_1
其中，I(i,j,m)表示第m帧所述红外探测图像，其中i表示图像像元行坐标，j表示图像像元列坐标，m表示图像序列帧；M表示图像序列总帧数；
Figure QLYQS_2
表示所得帧间时域均值图像。
6.根据权利要求5所述的检测方法，其特征在于：所述帧内空域梯度图像通过下式获得：
Figure QLYQS_3
其中，
Figure QLYQS_4
表示所述帧内空域梯度图像，/>
Figure QLYQS_5
分别所述帧间时域均值图像在i和j方向的单位向量。
7.根据权利要求6所述的检测方法，其特征在于：所述梯度幅值图像通过下式获得：
Figure QLYQS_6
其中，|.|表示取模运算，Ig(i,j)表示所述梯度幅值图像。
8.根据权利要求7所述的检测方法，其特征在于：所述灰度阈值分割处理通过以下的分割模型实现：
Figure QLYQS_7
其中，A(i，j)表示所得候选检测结果图像，T表示所述灰度阈值。
9.根据权利要求8所述的检测方法，其特征在于：所述四邻域判别通过以下判别模型实现：
Figure QLYQS_8
其中，B(i，j)表示最终检测结果图像，A(i-1，j)、A(i+1，j)、A(i，j-1)、A(i，j+1)分别表示所述阈值分割处理后的像元A(i，j)的四邻域像元。
10.权利要求1-9中任一项所述的检测方法在机载光电探测系统中的应用。
CN202110616731.9A 2021-06-03 2021-06-03 基于场景时空显著性的红外探测虚警检测方法及其应用 Active CN113240664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110616731.9A CN113240664B (zh) 2021-06-03 2021-06-03 基于场景时空显著性的红外探测虚警检测方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110616731.9A CN113240664B (zh) 2021-06-03 2021-06-03 基于场景时空显著性的红外探测虚警检测方法及其应用

Publications (2)

Publication Number Publication Date
CN113240664A CN113240664A (zh) 2021-08-10
CN113240664B true CN113240664B (zh) 2023-06-09

Family

ID=77136456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110616731.9A Active CN113240664B (zh) 2021-06-03 2021-06-03 基于场景时空显著性的红外探测虚警检测方法及其应用

Country Status (1)

Country Link
CN (1) CN113240664B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
CN104917936A (zh) * 2015-05-29 2015-09-16 北京理工大学 一种基于灰度相关的时域高通非均匀性校正方法
CN105574855A (zh) * 2015-12-10 2016-05-11 南京理工大学 云背景下基于模板滤波和虚警抑制的红外小目标检测方法
CN107392885A (zh) * 2017-06-08 2017-11-24 江苏科技大学 一种基于视觉对比机制的红外弱小目标检测方法
CN109584205A (zh) * 2018-10-19 2019-04-05 中国人民解放军海军工程大学 盲元检测方法及装置
CN110111283A (zh) * 2019-05-14 2019-08-09 武汉高德红外股份有限公司 一种复杂背景下红外疑似目标的提示方法及系统
CN111612773A (zh) * 2020-05-22 2020-09-01 北京富吉瑞光电科技有限公司 一种红外热像仪及实时自动盲元检测处理方法
CN112288644A (zh) * 2020-09-30 2021-01-29 西北工业大学 一种基于图像分层的实时高效红外图像细节增强方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
CN104917936A (zh) * 2015-05-29 2015-09-16 北京理工大学 一种基于灰度相关的时域高通非均匀性校正方法
CN105574855A (zh) * 2015-12-10 2016-05-11 南京理工大学 云背景下基于模板滤波和虚警抑制的红外小目标检测方法
CN107392885A (zh) * 2017-06-08 2017-11-24 江苏科技大学 一种基于视觉对比机制的红外弱小目标检测方法
CN109584205A (zh) * 2018-10-19 2019-04-05 中国人民解放军海军工程大学 盲元检测方法及装置
CN110111283A (zh) * 2019-05-14 2019-08-09 武汉高德红外股份有限公司 一种复杂背景下红外疑似目标的提示方法及系统
CN111612773A (zh) * 2020-05-22 2020-09-01 北京富吉瑞光电科技有限公司 一种红外热像仪及实时自动盲元检测处理方法
CN112288644A (zh) * 2020-09-30 2021-01-29 西北工业大学 一种基于图像分层的实时高效红外图像细节增强方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Infrared Image Segmentation Based on Gradient Vector Flow Model;Wu Qiongfei等;《2015 Sixth International Conference on Intelligent Systems Design and Engineering Applications (ISDEA)》;460-462 *
Infrared small-dim target detection based on Markov random field guided noise modeling;Chenqiang Gao等;《Pattern Recognition》;第76卷;463-475 *
基于邻域局部最大均值与多尺度形态学滤波的弱小红外目标检测算法;丁云等;《电光与控制》;第25卷(第9期);37-41 *
复杂空间环境下红外弱小目标高可靠检测方法研究;王涛;《中国博士学位论文全文数据库 (信息科技辑)》(第05期);I138-13 *

Also Published As

Publication number Publication date
CN113240664A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Kang et al. A modified faster R-CNN based on CFAR algorithm for SAR ship detection
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
Kim et al. High-speed drone detection based on yolo-v8
CN111027496A (zh) 基于空时联合局部对比度的红外弱小目标检测方法
CN110660065B (zh) 一种红外故障检测识别算法
CN106600613B (zh) 基于嵌入式gpu的改进lbp红外目标检测方法
CN111428573B (zh) 一种复杂背景下的红外弱小目标检测虚警抑制方法
CN110827262A (zh) 一种基于连续有限帧红外图像的弱小目标检测方法
CN108446581B (zh) 一种恶劣环境中的无人机检测方法
CN110796682A (zh) 运动目标的检测识别方法及检测识别系统
CN113240664B (zh) 基于场景时空显著性的红外探测虚警检测方法及其应用
CN107273697B (zh) 一种基于红外热成像系统的海天环境参数计算方法
CN111311640B (zh) 一种基于运动估计的无人机识别跟踪方法
CN111428624B (zh) 一种光学遥感图像在轨舰船目标检测方法
CN110751068B (zh) 基于自适应时空融合的远距离弱小目标视觉检测方法
CN111105419B (zh) 一种基于极化sar图像的车辆船舶检测方法及装置
CN113205494A (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN110287957B (zh) 一种低慢小目标的定位方法及定位装置
CN107479052A (zh) 基于广义高斯分布模型的地面隐蔽目标检测方法
Kim et al. Three plot correlation-based small infrared target detection in dense sun-glint environment for infrared search and track
WO2018168182A1 (ja) 移動体検出装置、移動体検出方法および移動体検出プログラム
CN114494342A (zh) 一种同步轨道卫星可见光序列图像海上目标检测跟踪方法
CN111209877B (zh) 一种复杂场景下基于深度图的红外小目标检测方法
Jiang et al. SEEK: Detecting GPS Spoofing via a Sequential Dashcam-Based Vehicle Localization Framework
CN114494359A (zh) 一种基于异常光流的小样本运动目标检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant